代码仓库地址: pandas入门
学习目标:
- 大致了解 pandas 库的
DataFrame
和Series
数据结构 - 存取和处理
DataFrame
和Series
中的数据 - 将 CSV 数据导入 pandas 库的
DataFrame
- 对
DataFrame
重建索引来随机打乱数据
pandas 是一种列存数据分析 API。它是用于处理和分析输入数据的强大工具,很多机器学习框架都支持将 pandas 数据结构作为输入。 虽然全方位介绍 pandas API 会占据很长篇幅,但它的核心概念非常简单,我们会在下文中进行说明。有关更完整的参考,请访问 pandas 文档网站,其中包含丰富的文档和教程资源。
基本概念
以下行导入了 pandas API 并输出了相应的 API 版本:
import pandas as pd
pd.__version__
pandas 中的主要数据结构被实现为以下两类:
DataFrame
,您可以将它想象成一个关系型数据表格,其中包含多个行和已命名的列。Series
,它是单一列。DataFrame
中包含一个或多个Series
,每个Series
均有一个名称。
数据框架是用于数据操控的一种常用抽象实现形式。Spark 和 R 中也有类似的实现。
创建 Series
的一种方法是构建 Series
对象。例如:
pd.Series(['北 京', '上 海', '深 圳'])
您可以将映射 string
列名称的 dict
传递到它们各自的 Series
,从而创建DataFrame
对象。如果 Series
在长度上不一致,系统会用特殊的 NA/NaN 值填充缺失的值。例如:
city_name = pd.Series(['北 京', '上 海', '深 圳'])
population = pd.Series([852469, 1015785, 485199])
pd.DataFrame({'City name': city_name, 'Population': population})
但是在大多数情况下,您需要将整个文件加载到 DataFrame
中。下面的示例加载了一个包含加利福尼亚州住房数据的文件。请运行以下单元格以加载数据,并创建特征定义:
california_housing_dataframe = pd.read_csv("./data/california_housing_train.csv", sep=',')
california_housing_dataframe.describe()
上面的示例使用 DataFrame.describe
来显示关于 DataFrame
的有趣统计信息。另一个实用函数是 DataFrame.head
,它显示 DataFrame
的前几个记录:
california_housing_dataframe.head()
pandas 的另一个强大功能是绘制图表。例如,借助 DataFrame.hist
,您可以快速了解一个列中值的分布:
california_housing_dataframe.hist('housing_median_age')
访问数据
您可以使用熟悉的 Python dict/list 指令访问 DataFrame
数据:
cities = pd.DataFrame({'City name': city_name, 'Population': population})
print(cities['City name'])
cities['City name']
print(type(cities['City name'][1]))
cities['City name'][1]
print(type(cities[0:2]))
cities[0:2]
此外,pandas 针对高级索引和选择提供了极其丰富的 API(数量过多,此处无法逐一列出)。
操控数据
您可以向 Series
应用 Python 的基本运算指令。例如:
population / 1000.
NumPy 是一种用于进行科学计算的常用工具包。pandas Series 可用作大多数 NumPy 函数的参数:
import numpy as np
np.log(population)
对于更复杂的单列转换,您可以使用 Series.apply
。像 Python 映射函数一样,Series.apply
将以参数形式接受 lambda 函数,而该函数会应用于每个值。
population.apply(lambda val: val > 1000000)
DataFrames
的修改方式也非常简单。例如,以下代码向现有 DataFrame
添加了两个 Series
:
cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])
cities['Popuation density'] = cities['Population'] / cities['Area square miles']
cities
索引
Series
和 DataFrame
对象也定义了 index
属性,该属性会向每个 Series
项或 DataFrame
行赋一个标识符值。
默认情况下,在构造时,pandas 会赋可反映源数据顺序的索引值。索引值在创建后是稳定的;也就是说,它们不会因为数据重新排序而发生改变。
city_name.index
cities.index
调用 DataFrame.reindex
以手动重新排列各行的顺序。例如,以下方式与按城市名称排序具有相同的效果:
cities.reindex([2, 0, 1])
重建索引是一种随机排列 DataFrame
的绝佳方式。在下面的示例中,我们会取用类似数组的索引,然后将其传递至 NumPy 的 random.permutation
函数,该函数会随机排列其值的位置。如果使用此重新随机排列的数组调用 reindex
,会导致 DataFrame
行以同样的方式随机排列。
尝试多次运行以下单元格!
cities.reindex(np.random.permutation(cities.index))
有关详情,请参阅索引文档。